利用带不确定性量化的机器学习建模 CRT 多阶段决策过程的新方法
机器学习
2024-04-30 v4 信号处理
医学物理
摘要
目的。本研究旨在创建一个多阶段机器学习模型，预测心力衰竭（HF）患者的心脏再同步化治疗（CRT）响应。该模型利用不确定性量化，在基线临床变量和来自心电图（ECG）的特征不足时，建议额外采集单光子发射计算机断层心肌灌注成像（SPECT MPI）变量。方法。218 名接受静息门控 SPECT MPI 的患者纳入本研究。CRT 响应定义为 6±1 月随访时左室射血分数（LVEF）增加 > 5%。通过组合两个集成模型创建多阶段 ML 模型：集成 1 用临床变量和 ECG 训练；集成 2 包含集成 1 加 SPECT MPI 特征。来自集成 1 的不确定性量化允许多阶段决策以确定患者是否需要采集 SPECT 数据。多阶段模型性能与集成模型 1 和 2 比较。结果。CRT 响应率为 55.5%（n = 121），总体男性 61.0%（n = 133），平均 age 62.0±11.8，LVEF 27.7±11.0。多阶段模型性能与集成 2（利用额外 SPECT 数据）相似，AUC 0.75 对 0.77，准确率 0.71 对 0.69，灵敏度 0.70 对 0.72，特异度 0.72 对 0.65。然而，多阶段模型在所有折中仅对 52.7% 患者需求 SPECT MPI 数据。结论。通过源自不确定性量化的基于规则逻辑，多阶段模型能够减少额外 SPECT MPI 数据采集需求而不牺牲性能。
引用
@article{arxiv.2309.08415,
title = {A new method of modeling the multi-stage decision-making process of CRT using machine learning with uncertainty quantification},
author = {Kristoffer Larsen and Chen Zhao and Joyce Keyak and Qiuying Sha and Diana Paez and Xinwei Zhang and Guang-Uei Hung and Jiangang Zou and Amalia Peix and Weihua Zhou},
journal= {arXiv preprint arXiv:2309.08415},
year = {2024}
}
备注
30 pages,6 figures. arXiv admin note: text overlap with arXiv:2305.02475